BACKGROUND The absence of reliable imaging or biological markers of phenotype transition in multiple sclerosis (MS) makes assignment of current phenotype status difficult. OBJECTIVE The authors sought to determine whether clinical information can be used to accurately assign current disease phenotypes. METHODS Data from the clinical visits of 14,387 MS patients in Sweden were collected. Classifying algorithms based on several demographic and clinical factors were examined. Results obtained from the best classifier when predicting neurologist recorded disease classification were replicated in an independent cohort from British Columbia and were compared to a previously published algorithm and clinical judgment of three neurologists. RESULTS A decision tree (the classifier) containing only most recently available expanded disability scale status score and age obtained 89.3% (95% confidence intervals (CIs): 88.8-89.8) classification accuracy, defined as concordance with the latest reported status. Validation in the independent cohort resulted in 82.0% (95% CI: 81.0-83.1) accuracy. A previously published classification algorithm with slight modifications achieved 77.8% (95% CI: 77.1-78.4) accuracy. With complete patient history of 100 patients, three neurologists obtained 84.3% accuracy compared with 85% for the classifier using the same data. CONCLUSION The classifier can be used to standardize definitions of disease phenotype across different cohorts. Clinically, this model could assist neurologists by providing additional information.

中文翻译：

---

使用决策树准确分类多发性硬化症的继发性进展

背景 多发性硬化症 (MS) 中缺乏可靠的表型转变成像或生物标志物使得当前表型状态的分配变得困难。目的作者试图确定是否可以使用临床信息来准确分配当前的疾病表型。方法 收集了瑞典 14,387 名 MS 患者的临床访问数据。检查了基于几个人口统计和临床因素的分类算法。在预测神经科医生记录的疾病分类时从最佳分类器获得的结果在来自不列颠哥伦比亚省的独立队列中复制，并与先前公布的算法和三位神经科医生的临床判断进行比较。结果 仅包含最近可用的扩展残疾量表状态评分和年龄的决策树（分类器）获得了 89.3%（95% 置信区间 (CI)：88.8-89.8）的分类准确度，定义为与最新报告的状态一致。独立队列中的验证导致 82.0% (95% CI: 81.0-83.1) 的准确度。先前发布的分类算法稍加修改后达到了 77.8%（95% CI：77.1-78.4）的准确度。通过 100 名患者的完整病史，三位神经科医生获得了 84.3% 的准确率，而使用相同数据的分类器的准确率则为 85%。结论 分类器可用于标准化不同队列中疾病表型的定义。在临床上，该模型可以通过提供额外信息来帮助神经科医生。3%（95% 置信区间 (CI)：88.8-89.8）分类准确度，定义为与最新报告状态的一致性。独立队列中的验证导致 82.0% (95% CI: 81.0-83.1) 的准确度。先前发布的分类算法稍加修改后达到了 77.8%（95% CI：77.1-78.4）的准确度。通过 100 名患者的完整病史，三位神经科医生获得了 84.3% 的准确率，而使用相同数据的分类器的准确率则为 85%。结论 分类器可用于标准化不同队列中疾病表型的定义。在临床上，该模型可以通过提供额外信息来帮助神经科医生。3%（95% 置信区间 (CI)：88.8-89.8）分类准确度，定义为与最新报告状态的一致性。独立队列中的验证导致 82.0% (95% CI: 81.0-83.1) 的准确度。先前发布的分类算法稍加修改后达到了 77.8%（95% CI：77.1-78.4）的准确度。通过 100 名患者的完整病史，三位神经科医生获得了 84.3% 的准确率，而使用相同数据的分类器的准确率则为 85%。结论 分类器可用于标准化不同队列中疾病表型的定义。在临床上，该模型可以通过提供额外信息来帮助神经科医生。1) 准确性。先前发布的分类算法稍加修改后达到了 77.8%（95% CI：77.1-78.4）的准确度。通过 100 名患者的完整病史，三位神经科医生获得了 84.3% 的准确率，而使用相同数据的分类器的准确率则为 85%。结论 分类器可用于标准化不同队列中疾病表型的定义。在临床上，该模型可以通过提供额外信息来帮助神经科医生。1) 准确性。先前发布的分类算法稍加修改后达到了 77.8%（95% CI：77.1-78.4）的准确度。通过 100 名患者的完整病史，三位神经科医生获得了 84.3% 的准确率，而使用相同数据的分类器的准确率则为 85%。结论 分类器可用于标准化不同队列中疾病表型的定义。在临床上，该模型可以通过提供额外信息来帮助神经科医生。结论 分类器可用于标准化不同队列中疾病表型的定义。在临床上，该模型可以通过提供额外信息来帮助神经科医生。结论 分类器可用于标准化不同队列中疾病表型的定义。在临床上，该模型可以通过提供额外信息来帮助神经科医生。